ENHANCING VIETNAMESE SPEECH SYNTHESIS IN AUDIOBOOK THROUGH XTTS-BASED TEXT TO SPEECH AND VOICE CLONING
Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Nguyễn Phương Thụy |
| Người hướng dẫn | Lâm Nhựt Khang |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2025 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
• This thesis investigates the enhancement of Vietnamese audiobook speech synthesis using the XTTS architecture, a multilingual zero-shot Text-to-Speech model capable of cloning unseen speakers from short reference audio. Although XTTS provides strong baseline performance, its default configuration is not fully optimized for the tonal and prosodic characteristics of Vietnamese, particularly in long-form narration. To address this limitation, the proposed approach introduces a Vietnamese-specific tokenizer, a refined text and audio preprocessing pipeline, and a selective fine-tuning strategy that updates only the GPT-based acoustic module while preserving the remaining pretrained components. Experiments are conducted on the Phoaudiobook dataset, a large-scale Vietnamese audiobook corpus, using 56,879 samples from 276 speakers for training, 998 samples from 34 speakers for validation, and 6,458 samples from 35 speakers for testing. Model performance is assessed using objective metrics, including Character Error Rate (CER), Speaker Encoder Cosine Similarity (SECS), and UTMOS for perceptual naturalness. The fine-tuned XTTSv2 model achieves a CER of 0.0709, indicating stable textual accuracy, a SECS of 0.9126, reflecting very high speaker similarity in zero-shot conditions, and a UTMOS score of 2.2141, demonstrating acceptable perceptual naturalness for audiobook-style speech. These results confirm that targeted adaptation of XTTS effectively improves Vietnamese speech synthesis while maintaining strong speaker identity preservation, providing a solid foundation for future research on Vietnamese dialects and expressive narration..
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- XÂY DỰNG WEBSITE GIA SƯ TRỰC TUYẾN ÔN THI TỐT NGHIỆP TRUNG HỌC PHỔ THÔNG
- XÂY DỰNG ỨNG DỤNG WEB SERVICE QUẢN LÝ ĐẶT TOUR DU LỊCH
- XÁC ĐỊNH VÀ NHẬN DẠNG CÁC ĐỒ VẬT TRONG CUỘC SỐNG THỰC TRONG NHÀ BẾP
- XÂY DỰNG HỆ THỐNG WEBSITE QUẢN LÝ CỬA HÀNG ĐIỆN TỬ VÀ MÁY TÍNH TRÊN NỀN TẢNG ASP .NET MVC5
- XÂY DỰNG WEBSITE BÁN THỰC PHẨM CHỨC NĂNG HỖ TRỢ SỨC KHỎE CÓ TÍCH HỢP CHATBOT
- XÂY DỰNG CHATBOT TRA CỨU VĂN BẢN HÀNH CHÍNH DỰA TRÊN KỸ THUẬT RETRIEVAL-AUGMENTED GENERATION (RAG)
- XÂY DỰNG HỆ THỐNG HỖ TRỢ CÔNG TÁC ĐẢNG TẠI KHOA KHOA HỌC MÁY TÍNH TÍCH HỢP KHAI THÁC VÀ TÓM TẮT TÀI LIỆU SỐ
- THIẾT KẾ VÀ PHÁT TRIỂN TRÒ CHƠI NHẬP VAI 2D ĐỂ HỖ TRỢ GHI NHỚ TỪ VỰNG TIẾNG ANH
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.